[發明專利]一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法

在審

• 申請號: 202010037453.7
• 申請日: 2020-01-14
• 公開（公告）號: CN111241750A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 許斌;陳小虎;于曉飛;呂超杰;王風強;程帥;劉素麗;賈亞飛
• 申請（專利權）人: 邯鄲鋼鐵集團有限責任公司;河鋼股份有限公司邯鄲分公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06N3/08;G06F119/14;G06F111/06
• 代理公司: 石家莊冀科專利商標事務所有限公司 13108
• 代理人: 曹淑敏

1.一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在包含以下步驟：

步驟1，篩選冷軋帶鋼生產系統采集的相關數據，進行歸一化處理，即將數據映射到[-1,1]區間得到訓練樣本；

步驟2，設計輸入層節點數、隱含層數及隱含層節點數、輸出層節點數構建BP網絡模型，隱含層節點數由遺傳算法進行優化；

步驟3，選擇適當的學習訓練參數和訓練函數，包括：激活函數、訓練算法、動量因子、學習率、最大迭代次數、目標誤差、輸入層權值和網絡層權值，對BP網絡進行學習和訓練，其中輸入層權值和網絡層權值由遺傳算法進行優化；

步驟4，采用歸一化的訓練樣本數據對模型進行訓練，并對所建立的改進的BP網絡預測模型進行評估；

步驟5，利用步驟1-步驟4生成的改進BP網絡預測模型進行冷軋帶鋼的力學性能預測，本專利力學性能特征包括屈服強度R_p0.2、抗拉強度R_m、斷后延伸率A、加工硬化值n和厚向異性系數r。

2.根據權利要求1所述的一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在于：所述的步驟1中，由冷軋帶鋼生產系統采集的數據包括化學成分、熱軋卷取溫度、熱軋終軋溫度、酸軋壓下率、連退均熱溫度、連退緩冷溫度、連退平整延伸率、連退快冷溫度、連退過時效溫度，訓練樣本取200組。

3.根據權利要求1所述的一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在于：所述的步驟2中，改進的BP網絡結構包含：輸入層節點數為16，輸出節點數為5，為節約訓練時間，隱含層數設為1。

4.根據權利要求1所述的一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在于：所述的步驟2中，隱含層節點數取值范圍為[5-20]。

5.根據權利要求1所述的一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在于：所述的步驟3中，隱含層激活函數為‘雙曲正切函數’，輸出層激活函數為‘線性函數’，最大迭代次數為5000，目標誤差為e為0.001，誤差數學模型如公式(1)

式中f^*(*)為目標函數輸出值，f(*)為目標值。

6.根據權利要求1所述的一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在于：所述的步驟3中，訓練算法采用自適應學習率動量梯度下降法，數學模型如式(2)，該方法的調整思想是：在學習收斂的情況下，即e(k)≤e(k-1)，增大學習率lr，以縮短學習時間；當學習率偏大致使不能收斂時，即e(k)＞e(k-1)，要及時減小學習率lr，直到收斂為止；同時將上一次權值調整量的一部分迭加到按本次誤差計算所得的權值調整量上，作為本次的實際權值調整量；該方法可有效抑制網絡陷入局部最優并縮短搜索時間；學習率lr為0.05，學習率遞增因子lr_inc為1.05，學習率遞減因子lr_dec為0.7，動量因子值mc為0.9；

7.根據權利要求1所述的一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在于：所述的步驟3中，輸入層權值取值范圍[0-1]，網絡層權值取值范圍[0-1]。

8.根據權利要求1所述的一種結合遺傳算法的BP網絡冷軋帶鋼力學性能預測方法，其特征在于：步驟2和步驟3中所述遺傳算法的交叉算子P_c數學模型如式(3)和變異算子P_m數學模型如式(4)

P_c(k+1)＝P_c(k)-[P_c(1)-0.5]/G

(3)

P_m(k+1)＝P_m(k)-[P_m(1)-0.1]/G

(4)

式(3)和(4)中取P_c(1)＝0.9，P_m(1)＝0.01。